目录
1. Precision、Recall、F-score（F-measure）
学习完吴恩达老师机器学习课程的机器学习系统设计，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。
如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~
0. 前言
针对二分类的结果，对模型进行评估，通常有以下几种方法：
- Precision、Recall、F-score（F1-measure）
- TPR、FPR、TNR、FNR、AUC
- Accuracy
初始作如下定义：
| 真实结果 | |||
|---|---|---|---|
| 1 | 0 | ||
| 预测结果 | 1 | TP（真阳性） | FP（假阳性） |
| 0 | FN（假阴性） | TN（真阴性） | |
- TP（True Positive）：预测结果为正类，实际上就是正类
- FP（False Positive）：预测结果为正类，实际上是反类
- FN（False negative）：预测结果为反类，实际上是正类
- TN（True negative）：预测结果为反类，实际上就是反类
1. Precision、Recall、F-score（F-measure）
Precision（准确率）可以理解为预测结果为正类中有多少是正类，给出定义如下：
Recall（召回率）可以理解为真实结果为正类中有多少被预测成正类，给出定义如下：
F-score（F值）又称作F1-measure，是综合考虑Precision和Recall的指标，给出定义如下：
2. TPR、FPR、TNR、FNR、AUC
TPR（True Positive Rate）可以理解为所有正类中，有多少被预测成正类（正类预测正确），即召回率，给出定义如下：
FPR（False Positive Rate）可以理解为所有反类中，有多少被预测成正类（正类预测错误），给出定义如下：
TNR（True Negative Rate）可以理解为所有反类中，有多少被预测成反类（反类预测正确），给出定义如下：
FNR（False Negative Rate）可以理解为所有正类中，有多少被预测成反类（反类预测错误），给出定义如下：
以FPR（False Positive Rate）为横坐标，TPR（True Positive Rate）为纵坐标，可以做如下图（图源：百度百科），称作ROC曲线：
ROC曲线又称作“受试者工作特性曲线”，很明显，越靠近左上角的点，效果越好。
AUC（Area Under Curve）定义为ROC曲线下的面积，很明显，这个值越大越好。
3. Accuracy
Accuracy（精确率）可以理解为所有实验中，分类正确的个数，给出定义如下：
如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~